# PyTorch 2.12가 출시되었습니다 🎉

**URL:** <https://discuss.pytorch.kr/t/pytorch-2-12/10226>\
**Category:** 읽을거리&정보공유\
**Tags:** pytorch-2-12, xpu, pytorch, cuda, mps, torch-export, rocm, release\
**Created:** [5월 14, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/pytorch-2-12/10226 "2026-05-14T09:30:13Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

**Author:** ![9bow](https://discuss.pytorch.kr/user_avatar/discuss.pytorch.kr/9bow/32/16301_2.png) [@9bow](https://discuss.pytorch.kr/u/9bow)\
**Post date:** [5월 14, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/pytorch-2-12/10226/1 "2026-05-14T09:30:13Z")

</div>

![PyTorch 2.12가 출시되었습니다 🎉](https://discuss.pytorch.kr/uploads/default/original/3X/e/b/ebbefc5b34de1c8cf3390028aaeaaaef99355b33.png)

## PyTorch 2.12 소개

[PyTorch](https://pytorch.org)팀이 새로운 릴리즈인 **PyTorch 2.12** 를 공식 발표했습니다. 이번 릴리즈는 [PyTorch 2.11](https://discuss.pytorch.kr/t/pytorch-2-11/9355) 이후 누적된 457명의 기여자가 보낸 **2,926개의 커밋** 이 반영된 결과물로, PyTorch가 연구 중심 프레임워크에서 하드웨어에 구애받지 않는(hardware-agnostic) **대규모 학습 및 추론용 통합 플랫폼으로 진화** 하는 흐름을 이어갑니다.

2.x 시리즈를 따라 PyTorch는 백엔드를 가로지르는 성능 프리미티브를 다듬어 왔습니다. [PyTorch 2.10](https://discuss.pytorch.kr/t/pytorch-2-10/8791)에서는 백엔드 간 성능 프리미티브와 TorchScript의 공식 폐기(deprecation)가 정리되었고, [PyTorch 2.11](https://discuss.pytorch.kr/t/pytorch-2-11/9355)에서는 분산 학습을 위한 미분 가능 collective(differentiable collectives), 차세대 GPU에서의 FlashAttention-4, 더 넓어진 export 커버리지가 추가되었습니다. PyTorch 2.12는 이 방향성을 그대로 이어받아, 디바이스에 종속되지 않는 그래프 캡처 API(`torch.accelerator.Graph`), 최대 100배 빨라진 배치 고유값 분해, 그리고 Microscaling(MX) 양자화 포맷의 `torch.export` 지원을 핵심 축으로 내세웠습니다.

요약하면, 이번 릴리즈는 _"더 빠르게, 더 다양한 하드웨어에서, 더 적극적인 양자화 모델까지"_ 라는 표어로 정리됩니다. 아래에서는 성능, 컴파일/내보내기(export), 분산 학습, 그리고 CUDA · ROCm · MPS · XPU 등 플랫폼별 변화와 주요 폐기/호환성 변화를 차례로 살펴봅니다.

## 2.12의 핵심 변경사항 요약

- **`linalg.eigh` 최대 100배 가속** : CUDA에서 배치 고유값 분해가 cuSolver의 `syevj_batched` 경로로 전환되며 [CuPy](https://cupy.dev/)와의 성능 격차를 해소했습니다.
- **`torch.accelerator.Graph` 신규 API** : CUDA, XPU 및 out-of-tree 백엔드에 걸쳐 그래프 캡처와 재생을 단일 인터페이스로 통합했습니다.
- **MX 양자화 포맷의 `torch.export` 지원** : `float8_e8m0fnu` dtype 직렬화가 가능해져 MXFP4/MXFP6/MXFP8 모델을 그대로 export할 수 있습니다.
- **Adagrad `fused=True`** : Adam, AdamW, SGD에 이어 Adagrad도 단일 CUDA 커널로 옵티마이저 스텝을 수행합니다.
- **`torch.cond` × CUDA Graphs** : 데이터 의존적 분기를 CPU 동기화 없이 GPU 안에서 캡처/재생할 수 있게 되었습니다.
- **ROCm 대거 강화** : Expandable segments, rocSHMEM 대칭 메모리 collective, FlexAttention 파이프라이닝이 새로 추가되었습니다.

## 성능 개선

### CUDA `linalg.eigh` 배치 고유값 분해 최대 100배 가속

CUDA에서 [`torch.linalg.eigh`](https://docs.pytorch.org/docs/stable/generated/torch.linalg.eigh.html)의 백엔드 선택 로직이 새롭게 정비되었습니다. 기존의 [MAGMA](https://icl.utk.edu/magma/) 백엔드는 폐기 처리되고 [cuSolver](https://docs.nvidia.com/cuda/cusolver/index.html)로 전환되었으며, dispatch 휴리스틱이 cuSolver의 `syevj_batched` 커널을 무조건적으로 사용하도록 개선되었습니다. 배치된 대칭/Hermitian 고유값 문제에 대해 이전 릴리즈 대비 **최대 100배의 속도 향상** 이 보고되었고, 그동안 [CuPy](https://cupy.dev/) 대비 뒤처져 있던 성능 격차가 해소되었습니다.

이 변화 덕분에 이전에는 행렬마다 개별 dispatch가 발생하여 수 분이 걸리던 워크로드가 수 초 만에 완료됩니다. 작거나 중간 규모의 행렬 다수를 한 번의 GPU 연산으로 처리하는 `syevj_batched` 커널 특성상, 배치된 행렬의 고유값 분해에 의존하는 과학 계산이나 머신러닝 워크로드(공분산 분석, 양자 화학, [SO(3) Equivariant Network](https://arxiv.org/abs/2104.09459) 등)에서 특히 큰 효과를 볼 수 있습니다.

### Fused Adagrad 옵티마이저

[`torch.optim.Adagrad`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adagrad.html)가 `fused=True` 옵션을 지원합니다. 옵티마이저 스텝 전체를 별도의 커널들로 분리해 실행하던 기존 방식 대신, 단일 CUDA 커널 안에서 처리하여 커널 런치 오버헤드와 메모리 트래픽을 줄입니다. 이로써 Adagrad는 [Adam](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adam.html), [AdamW](https://docs.pytorch.org/docs/stable/generated/torch.optim.AdamW.html), [SGD](https://docs.pytorch.org/docs/stable/generated/torch.optim.SGD.html)에 이어 fused 변형을 제공하는 옵티마이저 대열에 합류했습니다.

## 컴파일과 export, 그리고 하드웨어 친화적 확장

### `torch.accelerator.Graph`: 디바이스 독립적 그래프 캡처 API

가장 눈에 띄는 신규 API는 [`torch.accelerator.Graph`](https://docs.pytorch.org/docs/stable/accelerator.html)입니다. 기존에는 [`torch.cuda.CUDAGraph`](https://docs.pytorch.org/docs/stable/generated/torch.cuda.CUDAGraph.html), `torch.xpu.XPUGraph`처럼 백엔드별로 분기된 API를 사용해야 했지만, 이제는 디바이스에 구애받지 않는 단일 추상화로 그래프 캡처와 재생을 다룰 수 있습니다. 각 백엔드는 가벼운 `GraphImplInterface`를 통해 자체 구현을 등록할 수 있어 백엔드의 자율성을 유지하면서도 사용자 측 API는 일관되게 가져갑니다.

또한 `c10::Stream`과 `torch.Stream`에 `is_capturing()` 메서드가 노출되어, 디바이스별 `is_current_stream_capturing` 함수를 백엔드 중립적인 대체 API로 대체했습니다. Stream 컨텍스트 매니저의 재진입(reentrance) 버그도 함께 수정되었습니다. 초기 구현은 [Intel XPU](https://www.intel.com/content/www/us/en/developer/articles/technical/pytorch-2-xpu-backend.html) 백엔드를 정식 지원하며, [`PrivateUse1`](https://docs.pytorch.org/docs/stable/notes/extending.html#extending-pytorch-with-a-new-device) 디바이스를 통해 out-of-tree 백엔드도 동일한 인터페이스로 확장할 수 있습니다.

### `torch.export`의 Microscaling(MX) 양자화 포맷 지원

[`torch.export`](https://docs.pytorch.org/docs/stable/export.html)는 PyTorch 모델을 배포 환경으로 내보내는 표준 경로로 자리잡고 있습니다. 하지만 그동안 [Microscaling(MX)](https://www.opencompute.org/documents/ocp-microscaling-formats-mx-v1-0-spec-final-pdf) 양자화 포맷을 사용하는 모델은 export가 불가능했습니다. MX 포맷(MXFP4, MXFP6, MXFP8)이 블록 단위 지수(scale exponent)로 사용하는 `float8_e8m0fnu` dtype을 `torch.export.save`가 직렬화하지 못했기 때문입니다.

PyTorch 2.12에서는 `torch.export.save`와 `torch.export.load`가 해당 dtype을 정확히 직렬화/역직렬화하도록 개선되어, 공격적인 양자화를 적용한 LLM 등을 export부터 배포까지 한 흐름으로 끌고 갈 수 있게 되었습니다. 비용에 민감한 클라우드 추론이나 엣지 환경에서 [Microscaling](https://arxiv.org/abs/2310.10537) 양자화를 활용해야 하는 팀에 특히 유의미한 변화입니다.

### `torch.cond` 제어 흐름의 CUDA Graphs 캡처

[`torch.cond`](https://docs.pytorch.org/docs/stable/cond.html)로 작성한 데이터 의존적 분기 로직이 이제 [CUDA Graphs](https://developer.nvidia.com/blog/cuda-graphs/)의 일부로 캡처되고 재생됩니다. 이전에는 분기 평가가 CPU에서 이루어졌기 때문에 CUDA Graph 트리(fallback)에 의존해야 했지만, [CUDA 12.4](https://developer.nvidia.com/cuda-12-4-0-download-archive)에서 도입된 conditional IF 노드를 활용하여 `torch.cond`의 두 분기를 단일 그래프 캡처 안에서 GPU만으로 평가합니다.

현재는 `eager` 및 `cudagraphs` 백엔드에서 동작하며, [Inductor](https://docs.pytorch.org/docs/stable/torch.compiler_inductor.html) 백엔드 지원은 후속 릴리즈에서 추가될 예정입니다.

### XPU에서의 FMA 기반 `addcdiv` 로워링

Inductor가 [`addcdiv`](https://docs.pytorch.org/docs/stable/generated/torch.addcdiv.html) 연산을 fused multiply-add(FMA) 명령으로 로워링하도록 바뀌었습니다. `addcdiv`는 `result = input + value * (tensor1 / tensor2)` 형태의 fused 연산으로, Adam/AdamW/[RMSprop](https://docs.pytorch.org/docs/stable/generated/torch.optim.RMSprop.html) 같은 옵티마이저 업데이트의 핵심에 위치합니다. 이전에는 곱셈과 나눗셈을 별도 명령으로 로워링해 eager 모드와 미세한 부동소수점 차이가 누적되었지만, 이제 NVIDIA·Intel GPU 모두에서 eager CUDA 실행과 비트 단위로 동일한 결과를 보장하면서 [Triton](https://github.com/triton-lang/triton) 커널 fusion 이점도 그대로 가져갈 수 있습니다.

## 분산 학습(Distributed Training)

### Custom op에서 ProcessGroup 직접 사용

이전에는 커스텀 operator에 [ProcessGroup](https://docs.pytorch.org/docs/stable/distributed.html)을 전달하려면 문자열 그룹명으로 변환해 글로벌 레지스트리에서 조회해야 했습니다. 2.12부터는 `all_reduce`, `reduce_scatter` 등 `c10d` functional collective op들이 ProcessGroup 객체를 인자로 직접 받습니다. 문자열과 객체 두 가지 형태를 모두 허용하므로 기존 코드와의 호환성도 유지됩니다.

### 멀티 GPU/멀티 노드 프로파일링 강화

[PyTorch Profiler](https://docs.pytorch.org/docs/stable/profiler.html)의 Events API가 flow ID, flow type, activity type, 미완료 이벤트, Python 함수 이벤트를 노출하여, Chrome trace JSON 출력과 동등한 수준의 프로그램 가능한 후처리 분석이 가능해졌습니다. 또한 NCCL collective trace를 새로운 `seq_num` 필드로 rank 간 교차 참조할 수 있어, 동일한 프로세스 그룹에서 같은 collective에 참여하는 모든 rank가 동일한 시퀀스 번호를 공유합니다. 분산 학습 디버깅 도구로서 의미 있는 진전입니다.

### FlightRecorder의 ncclx + gloo 백엔드 지원

[FlightRecorder](https://docs.pytorch.org/docs/stable/distributed.flight_recorder.html)의 trace 분석기가 기존 `nccl`/`xccl` 외에 `ncclx`와 [`gloo`](https://github.com/facebookincubator/gloo) 백엔드까지 지원합니다. 또한 [torchcomms](https://github.com/meta-pytorch/torchcomms)의 `all_gather_single`, `reduce_scatter_v`, `barrier` 등의 operation도 인식하며, 여러 프로세스 그룹이 동시에 FlightRecorder 싱글톤에 접근할 때 발생하던 무한 루프 race condition도 함께 수정되었습니다.

## 플랫폼별 업데이트

### CUDA

**CUDA Graph 커널 어노테이션** : `torch.cuda.graph`가 `enable_annotations` kwarg를 새로 받습니다. 캡처된 CUDA 그래프 안의 개별 커널에 collective op 이름, 프로세스 그룹, 메시지 크기 같은 메타데이터를 주입하고, 동봉된 후처리 스크립트(`python -m torch.cuda._annotate_cuda_graph_trace`)로 trace에 병합합니다. [Perfetto](https://perfetto.dev/)나 Chrome 프로파일러에서 재생된 그래프의 각 커널이 무엇을 수행하는지 훨씬 명확하게 확인할 수 있습니다.

**CUDA Green Context workqueue 한도** : [CUDA Green Contexts](https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#green-contexts)에 workqueue 한도를 지정할 수 있어, 동일한 green context 내 동시 작업 제출 개수를 제약함으로써 동시 워크로드 간의 GPU 자원 분할을 더 예측 가능하게 만들 수 있습니다(실험적 기능).

### ROCm

[AMD ROCm](https://rocm.docs.amd.com/) 사용자에게는 이번 릴리즈가 특히 풍성합니다.

- **Expandable segments** : ROCm 7.02 이상에서 PyTorch caching allocator가 가상 메모리 API를 활용해 동적으로 할당 영역을 확장할 수 있게 되어, 기존 CUDA의 메모리 단편화 완화 기능을 ROCm에서도 사용할 수 있습니다.
- **rocSHMEM 지원** : [NVSHMEM](https://developer.nvidia.com/nvshmem) 기반의 GPU 내장 통신 프리미티브(`torch.ops.symm_mem.*`)가 [rocSHMEM](https://github.com/ROCm/rocSHMEM)으로 포팅되어, point-to-point, broadcast, all-to-all 및 MoE 모델용 2D AllToAllv 연산을 AMD GPU에서도 사용할 수 있습니다.
- **hipSPARSELt와 FP8 semi-structured sparsity** : ROCm 7.12 이상에서 [hipSPARSELt](https://github.com/ROCm/hipSPARSELt)가 기본 활성화되어, 2:4 semi-structured sparsity 지원이 AMD GPU로 확장되었습니다. MI350X(gfx950)에서는 FP8(`float8_e4m3fn`) 입력에 대해 FP32 출력으로 가속하는 경로도 추가되어, 기존 CUDA 전용이던 `torch._cslt_sparse_mm` 가속 경로를 AMD에서도 사용할 수 있습니다.
- **Inductor FlexAttention 파이프라이닝** : [FlexAttention](https://pytorch.org/blog/flexattention/)이 ROCm Triton 백엔드에서 2단계 파이프라이닝(`num_stages=2`)을 사용하도록 변경되어, MI350X에서 causal · alibi · sliding window 등 다양한 attention 패턴에 대해 5~26%의 성능 향상이 보고되었습니다.

### Apple MPS

**Metal-4 사전 컴파일 셰이더** : Apple Silicon용 바이너리 wheel이 macOS 26 기반의 `metal-4` 표준으로 사전 컴파일(AOT)된 [Metal](https://developer.apple.com/metal/) 셰이더를 포함합니다. 첫 실행 시 발생하던 런타임 셰이더 컴파일 오버헤드가 사라져 [MPS](https://docs.pytorch.org/docs/stable/notes/mps.html) 워크로드의 시작 지연이 크게 줄어듭니다. 동반 API(`torch._C._mps_loadMetalllib`)도 추가되어 사전 컴파일된 `.metallib` blob을 직접 로딩할 수 있는데, 이는 Triton의 Apple MPS 백엔드의 compile-time metallib 워크플로우를 뒷받침합니다.

**MPS 통합 메모리(Unified Memory)**: 이제 모든 MPS 텐서가 [통합 메모리](https://developer.apple.com/documentation/metal/setting_resource_storage_modes)에 할당됩니다. 명시적 복사 없이 CPU가 MPS 텐서 데이터에 접근할 수 있어 메모리 관리가 단순해졌지만, 디바이스 전용 메모리 배치에 의존하던 코드는 성능 특성이 달라질 수 있습니다.

또한 MPS에서 `linalg_qr`, `cholesky_solve`, `index_reduce`, `mvlgamma`, `nonzero_static`, `torch.distributions.Gamma`(forward/backward) 등이 새롭게 지원되어 Apple Silicon에서의 PyTorch 활용 범위가 한 단계 더 넓어졌습니다.

### XPU

Intel XPU 백엔드는 `torch.accelerator.Graph`의 1차 지원 대상으로서 가장 풍부한 기능을 제공합니다. [`torch.xpu`](https://docs.pytorch.org/docs/stable/xpu.html)의 디바이스 속성에 `memory_clock_rate`와 `memory_bus_width`가 추가되어 메모리 대역폭 기반 성능 튜닝이 더 쉬워졌습니다.

## 폐기(Deprecations) 및 호환성 변경 사항

### torchcomms 도입과 ProcessGroup 변경 예고 (2.13+)

PyTorch Distributed 팀은 [torchcomms](https://github.com/meta-pytorch/torchcomms)를 [PyTorch Distributed](https://docs.pytorch.org/docs/stable/distributed.html)에 직접 통합하는 작업을 진행 중이며, 2.13 이후 릴리즈에서는 torchcomms를 기본값으로 사용할 예정입니다. 이번 2.12에서는 backend wrapper 리팩토링과 FlightRecorder 통합 같은 기반 작업이 포함되었습니다. 주요 변경 예고:

- **Eager 초기화** : 모든 ProcessGroup/communicator는 `dist.init_process_group` 단계에서 즉시 초기화되어야 하며, 단일 백엔드 디바이스만 지원합니다.
- **P2P 작업** : 각 ProcessGroup/communicator가 내부 communicator와 1:1로 매칭되며, 같은 group/stream에서 발행된 P2P 작업의 동시 실행이 보장되지 않습니다. 동시 P2P가 필요하면 batch API 또는 별도의 group/communicator를 사용해야 합니다.
- **torchcomms 의존성** : torchcomms가 PyTorch Distributed의 필수 패키지가 되며, 기존 `c10d::Backends`는 폐기됩니다.

지금 미리 활용해 보려면 다음과 같이 사용할 수 있습니다:

```bash
pip install torchcomms
export TORCH_DISTRIBUTED_USE_TORCHCOMMS=1

```

### TorchScript 공식 폐기 유지

[TorchScript](https://docs.pytorch.org/docs/stable/jit.html)는 2.10에서 폐기 처리되었으며, 2.12에서도 동일하게 유지됩니다. `jit.trace`/`jit.script`는 [`torch.export`](https://docs.pytorch.org/docs/stable/export.html)로, 임베디드 런타임은 [ExecuTorch](https://docs.pytorch.org/executorch/stable/index.html)로 마이그레이션해야 합니다.

### CUDA 12.8 wheel 폐기

2.12부터 CUDA 12.8 바이너리 wheel은 더 이상 표준 배포 매트릭스에서 발행되지 않습니다. 기본 wheel은 여전히 CUDA 13.0(`pip install torch`)이며, 실험적 빌드로 **CUDA 13.2** 가 새로 추가되었습니다. Pascal/Volta 등 구형 아키텍처 사용자는 CUDA 12.6 wheel을, [Blackwell](https://www.nvidia.com/en-us/data-center/technologies/blackwell-architecture/) 같은 신형 GPU 사용자는 CUDA 13.0 이상 wheel을 사용해야 하며 후자는 NVIDIA 드라이버 업그레이드(Linux 580.65.06 / Windows 580.88)가 필요합니다.

```bash
# 기본 (CUDA 13.0)
pip install torch

# 명시적으로 CUDA 13.0
pip install torch --index-url https://download.pytorch.org/whl/cu130

# 구형 드라이버용 fallback
pip install torch --index-url https://download.pytorch.org/whl/cu126

```

### 기타 주요 호환성 변경

- **`torch.distributed.nn.functional`** : `torch.compile` 내부에서 호출 시 이제 `RuntimeError`가 발생합니다. `torch.distributed._functional_collectives` API로 마이그레이션해야 합니다.
- **`torchrun` 기본 포트 변경** : 단일 노드 학습에서 `--master-port`나 `--standalone`을 지정하지 않으면 OS가 할당한 free port를 사용합니다. 기존의 29500 포트 충돌로 인한 "Address already in use" 오류가 해소됩니다.
- **CUDA 빌드 최소 버전 상향** : 소스 빌드 최소 요구 사항이 CUDA 12.6으로 올라갔으며, CMake는 C++20 이상을 강제합니다.
- **Inductor `max_autotune` 레이아웃 동결** : 2.11에서 도입된 deferred layout freezing이 기본값에서 제외되고, opt-in(`TORCHINDUCTOR_MAX_AUTOTUNE_DEFER_LAYOUT_FREEZING=1`)으로 전환되었습니다.
- **`torch.compile(fullgraph=True)` 경고 추가**: 컴파일된 코드가 실제로 실행되지 않는 경우(예: 사용자 정의 `TorchDispatchMode` 활성화) 2.12에서는 경고가 출력되며, 2.13에서는 에러로 격상됩니다.
- **FSDP2 hooks의 fullgraph 컴파일 불가** : [FSDP2](https://docs.pytorch.org/docs/stable/fsdp.html) hook을 graph break 없이 컴파일하는 경로가 더 이상 지원되지 않습니다. `fullgraph=False`로 변경하거나, FSDP 적용 전에 컴파일하도록 코드를 조정해야 합니다.

## 라이브 Q&A 안내

PyTorch 팀은 2026년 5월 20일(수) 오전 10시(PST)에 PyTorch 2.12 라이브 Q&A 세션을 진행합니다. Joe Spisak, Andrey Talman, Alban Desmaison이 패널로, Chris Gottbrath가 모더레이터로 참여합니다. 사전 등록은 아래 공식 페이지에서 가능합니다:

> **[PyTorch 2.12 Release Live Q&A – PyTorch](https://pytorch.org/event/pytorch-2-12-release-live-qa/)**

## 마치며

PyTorch 2.12는 화려한 하나의 기능을 내세우기보다, **백엔드 간 격차를 좁히고(`torch.accelerator.Graph`, FMA addcdiv), 양산형 모델 배포 경로를 정비하고(MX 양자화 export, `torch.cond` × CUDA Graphs), 분산 환경의 디버깅 가능성을 끌어올린(`seq_num`, FlightRecorder, ProcessGroup custom op)** 누적형 릴리즈에 가깝습니다. ROCm 사용자는 expandable segments와 rocSHMEM, FlexAttention 파이프라이닝까지 한 번에 받게 되어 NVIDIA 진영과의 간극이 한 단계 더 좁혀졌고, MPS 사용자는 Metal-4 사전 컴파일 셰이더와 통합 메모리 정리로 시작 지연과 코드 단순성 모두에서 이득을 봅니다.

2.13 이후를 내다보면, **torchcomms 기본 도입과 그에 따른 ProcessGroup 동작 변경** 이 가장 큰 화두입니다. 분산 학습 코드를 운영 중인 팀이라면 2.12 동안 미리 `TORCH_DISTRIBUTED_USE_TORCHCOMMS=1`로 검증을 시작해 두는 것이 권장됩니다.

## 📜 PyTorch 2.12 Release Blog

> **[PyTorch 2.12 Release Blog – PyTorch](https://pytorch.org/blog/pytorch-2-12-release-blog/)**

## :github: PyTorch 2.12.0 Release Notes

> **[Release PyTorch 2.12.0 Release · pytorch/pytorch](https://github.com/pytorch/pytorch/releases/tag/v2.12.0)**
>
> PyTorch 2.12.0 Release Notes
> 
> Highlights
> Backwards Incompatible Changes
> Deprecations
> New Features
> Improvements
> Bug fixes
> Performance
> Documentation
> Developers
> Security
> 
> Highlights
> 
> Batched linalg....

* * *

_이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다._ 🤗

[:pytorch:파이토치 한국 사용자 모임🇰🇷](https://pytorch.kr/)이 정리한 이 글이 유용하셨나요? [회원으로 가입](https://discuss.pytorch.kr/signup)하시면 주요 글들을 이메일💌로 보내드립니다! (기본은 Weekly지만 [Daily로 변경도 가능](https://discuss.pytorch.kr/my/preferences/emails)합니다.)

🎁 아래↘쪽에 좋아요👍를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~ 🤩
